首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 电力系统论文 > 基于自编码神经网络的低压台区线损异常快速识别方法

基于自编码神经网络的低压台区线损异常快速识别方法

2024-12-05 64 上传者：管理员

摘要：针对现行方法在低压台区线损异常识别中应用存在误识、漏识的问题，提出基于自编码神经网络的低压台区线损异常快速识别方法。基于电流平均值与电阻值两个物理量采集低压台区线损数据，采用中位数插补法对缺失数据处理，并对其消除冗余、归一化，利用自编码神经网络对低压台区线损数据训练学习，提取线损异常特征，识别线损异常，实现基于自编码神经网络的低压台区线损异常识别。经实验证明，设计方法误识率、漏识率均不超过1%，可以实现对低压台区线损异常精准快速识别。

关键词：
中位数插补法
低压台区
异常
快速识别
线损
自编码神经网络
加入收藏

随着智能电网建设的不断推进，电力系统的运行效率和可靠性成为关注的焦点。低压台区作为电力系统的重要组成部分，其线损问题直接影响电网的经济运行和供电质量。低压台区线损是指电力在输电、变电、配电过程中由于电阻、电抗、设备损耗等原因而产生的电能损失。线损不仅直接降低了供电企业的经济效益，还可能影响电网的安全稳定运行。当前，针对低压台区线损异常识别问题，已有多种方法被提出和应用。

文献[1]提出基于K-medoids聚类算法的识别方法，利用K-medoids算法对低压台区的电力数据聚类，根据聚类结果，将偏离正常聚类中心的数据点或聚类视为异常，从而识别出异常低压台区线损。该方法在实际应用中易受数据波动和噪声的影响，识别效果并不理想。文献[2]提出基于离群点分析的识别方法，利用离群点分析方法（如基于密度的局部离群点检测），定义数据中的异常点，通过计算各数据点的离群程度（如局部可达密度、LOF值等），将远离正常数据分布的点识别为离群点，即异常线损点。该方法计算复杂度高、实时性比较差。传统方法虽然在一定程度上为低压台区线损异常识别提供了支撑，但是在实际应用中传统方法存在错识、漏识的问题，并且错识率和漏识率比较高，难以满足智能电网发展的需求，并且达不到预期识别效果，为此提出基于自编码神经网络的低压台区线损异常快速识别方法。

1、低压台区线损数据采集

在探讨低压台区线损数据的特性时，需认识到不同连接电阻的实际阻值在既定的空间环境内展现出特定的约束条件。具体而言，这些电阻值在任意给定时间点均不可同时归零，亦不可同时达到其物理特性的最大值，这一限制确保电力系统的稳定运行与数据的有效性。为了分析低压台区的线损情况，引入电流平均值概念，其反映输电线路在剔除异常波动后所承载的稳态电流水平[3]。在理想化的分析框架下，暂时忽略其他潜在干扰因素对低压台区同期线损的影响，从而可以合理推断，该电流平均值的物理属性，即其性能真实值，在一段时间内可视为恒定不变[4]。基于上述电流平均值与电阻值这两个关键物理量的关联关系，采集到的低压台区线损数据如下所示：

式中，x为采集的低压台区线损数据；b为连接电阻实际值数量；P为低压台区电能最大负荷损失；I为输电线路所承受的平均电流值；Ub为低压台区最近一次线路损耗的电压值；U0为低压台区电压基准值；Ri为第i个节点连接电阻实际值[5]。将采集的低压台区线损数据以文件的形式保存，为后续数据预处理和自编码神经网络分析提供数据基础。

2、低压台区线损数据预处理

在针对低压台区线损异常识别任务中，关键的一步是确保数据的完整性与一致性，通过对低压台区线损数据预处理，剔除噪声、填充缺失以及消除冗余。首先，面对低压台区线损数据中潜在的缺失值问题，采用中位数插补法，利用数据集中固有的稳健统计量―中位数，来填补这些空白，其用公式表示为：

式中，Y=mediam(x)为插补后的线损数据；mediam(x)为原线损数据集的中位数。为了确保数据集中不存在冗余信息，通过遍历整个数据集，逐一比对记录之间的相似性[6]。对于任何一对完全相同的记录，保留其中一条作为唯一代表，而将其余重复项予以删除。经过以上处理后，得到新的线损数据集，对其进行归一化，消除不同变量之间的量纲，其用公式表示为：

式中，y为归一化后的线损数据；min Y、max Y分别为线损数据最小值和最大值。

3、基于自编码神经网络的线损异常分类识别

在以上基础上，利用自编码神经网络对低压台区线损数据学习，提取线损异常特征。深度自编码网络以其堆叠式的结构与无监督学习的特性，并非直接依赖于标签数据进行训练，通过重构输入数据的方式挖掘数据内部深层次的特征信息[7]。当面对一个由无标签数据点组成的数据集，利用反向传播方式对数据进行无监督训练，通过不断调整网络中的权重和偏置，以最小化网络输出与原始输入之间的差异为目标，在这个过程中，自编码神经网络逐渐提取输入数据的特征[8]。自编码神经网络由编码层、特征变换层和解码层三层神经元组成，将预处理后的低压台区线损数据输入到编码层，通过对其编码，将原始输入数据映射到低维特征空间，这一过程通过非线性变换实现，其用公式表示为：

式中，h为编码后的低压台区线损特征；fe为编码器函数；S为Sigmoid激活函数；We为编码层编码操作权重；be为编码层偏置项[9]。将编码后的低压台区线损特征输入到特征变换层，对编码层输出的低维特征进行变换[10]。在特征变换层中增加一层非线性神经元，通过激活函数引入非线性变换，其用公式表示为：

式中，k为变换后的低压台区线损特征；ft为特征变换层函数；Wt为特征变换层变换操作权重；bt为特征变换层偏置项。将变换后的低压台区线损特征输入到解码层，从特征表示中恢复出原始的输入数据，这一过程通过非线性变换实现，但与编码器相反，解码器旨在找到一个映射关系，其用公式表示为：

式中，c为解码后的线损特征对应的数据；fe为解码器函数；We为解码层解码操作权重；be为解码层偏置项。为了保证自编码神经网络输出与输入尽可能相似，通过最小化重建误差对自编码神经网络参数优化，重建误差计算公式为：

式中，z(y,c)为重建误差；ε为交叉熵损失；τ为自编码神经网络神经元数量；a为自编码神经网络层数；ω为权重参数；ζ为稀疏正则项。通过最小化重建误差，对自编码神经网络参数优化，按照式（4）～式（6）训练自编码神经网络，提取到低压台区线损正常特征与异常特征，根据提取到的线损特征，对低压台区线损异常分类识别，假设低压台区线损正常特征项用c1表示，异常特征项用c2表示，对于异常特征识别用公式表示为：

式中，L(y,c2)为输入低压台区线损数据属于异常类别的概率；j为自编码神经网络中分类器数量；wj为第j个分类器输出。利用以上公式对采集的所有低压台区线损数据分类为正常和异常，以此实现基于自编码神经网络的低压台区线损异常快速识别。

4、实验论证

4.1实验准备与设计

以某地区配电网为研究对象，该配电网结构由23个线路节点和8个10k V低压台区组成，包含一台10k V主变压器和1条10k V出线，主变压器容量为20MVA，形式为三绕组变压器，利用本文设计方法对该配电网低压台区线损异常识别。在各个低压台区分界室安装智能电表，采集各个低压台区电量和台区下用户电量数据，提取到800组低压台区线损数据，通过对数据预处理和自编码神经网络数据挖掘，识别低压台区线损异常，实验中自编码神经网络参数设置如下：

特征变换层数量设置3个，输入神经元数量设置为784，激活函数设置为Re LU，损失函数设置为均方误差，学习率设置为0.002，训练周期设置为10，批量大小设置为256。

随机选取八个低压台区线损数据样本，其识别结果如表1所示。

表1低压台区线损异常快速识别结果

设计方法基本可以完成低压台区线损异常快速识别任务，为了使此次研究具有一定的学术性和参考性价值，将本文方法与文献[1]提出的基于K-medoids聚类算法的方法和文献[2]提出的基于离群点分析的方法对比，对比指标选择误识率和漏识率，误识率=错误识别样本数量/正确识别样本数量，漏识率=未被识别到的异常样本数量/总识别样本数量。误识率和漏识率可以表征出识别方法的准确性，数值越小，则表示识别精度越高，识别结果越贴近真实情况。

4.2实验结果与讨论

表2、表3统计了三种方法在本次实验中误识率和漏识率。

表2低压台区线损异常误识率（%）

表3低压台区线损异常漏识率（%）

对比表2、表3中数据可以看出，在低压台区线损异常误识率方面，基于离群点分析的方法表现最差，本文设计方法表现最佳，不超过1%，在低压台区线损异常漏识率方面，基于K-medoids聚类算法的方法表现最差，本文设计方法表现最佳，也未超过1%。因此实验证明在识别精度方面本文设计方法具有绝对的优势，可以实现对低压台区线损异常快速精准识别。

5、结束语

基于自编码神经网络的低压台区线损异常快速识别方法的探索，不仅为智能电网的精细化管理提供有力的技术支持，也展现了人工智能在电力系统应用中的巨大潜力。通过自编码神经网络的深度学习与特征重构能力，成功实现了对低压台区海量电力数据的快速处理与精准分析，有效提高了线损异常的识别效率和准确性。本方法不仅克服传统识别方法在处理复杂、多变数据时的局限性，还以其高度的自动化和智能化水平，降低人工干预的需求，为供电企业节省大量的人力物力成本。同时，该方法还具备较好的实时性和可扩展性，能够适应不同规模和类型的低压台区，为未来的智能电网建设提供了可借鉴的范例。

参考文献:

[1]吕家慧.基于K-medoids聚类算法的异常低压台区线损识别方法研究[J].信息与电脑(理论版),2023,35(24):61-63.

[2]雷禕珏.基于离群点分析的低压台区线损异常检测方法[J].中国新技术新产品,2023(23):69-71.

[3]蔡仕柱.基于梯度算法的低压台区线损异常实时检测方法[J].电工技术,2023(17):63-65,69.

[4]钱利宏,彭穗,郭晓燕,等.基于数据驱动的低压配电台区线损分层统计与异常诊断方法[J].自动化与仪器仪表,2023(8):232-235,239.

[5]刘雄,夏向阳,刘定国,等.基于二阶聚类和鲁棒性随机分割森林算法的低压台区线损异常辨识[J].现代电力,2024,41(3):441-447.

[6]伍栋文,于艾清,俞林刚,等.基于ICS-K-means聚类算法和WNN的有源低压台区线损估算方法[J].智慧电力,2022,50(4):8-14.

[7]周丽霞,谭志强,郑思达,等.基于离群点检测的低压台区同期线损异常辨识研究[J].电子设计工程,2022,30(3):75-78,83.

[8]李敏,汤耀红,朱元极,等.基于LSSVM的低压台区线损率三相不平衡度影响量化分析研究[J].电力大数据,2021,24(10):19-27.

[9]宋晓林,张佳元,崔超奕,等.基于用电信息采集数据的低压台区异常线损诊断新方法[J].电测与仪表,2024,61(6):209-217.

[10]薛明志,陈商玥,高强.基于k-medoids聚类算法的低压台区线损异常识别方法[J].天津理工大学学报,2021,37(1):26-31.

文章来源:陈亮.基于自编码神经网络的低压台区线损异常快速识别方法[J].电器工业,2024,(12):60-63+67.